用途：该技能面向智能体失败的诊断与上下文相关问题的排查，帮助理解上下文退化现象并设计更具韧性的系统。
主要能力：归纳并解释若干退化模式。迷失在中间：开头与结尾信息获得可靠注意力，中间内容召回率显著下降。上下文污染：错误一旦进入上下文会因反复引用而累积，来源包括带错误的工具输出、含错误信息的检索文档、带幻觉的模型摘要；症状包括工具调用参数错误、难以撤销的策略、纠正后仍持续的幻觉；恢复方式包括截断到污染点之前、显式标注污染并重新评估、以干净上下文重启。上下文分心：即使单个无关文档也会降低表现，模型必须关注全部内容，无法跳过无关部分；缓解方式包括加载前按相关性过滤、使用命名空间组织、通过工具而非上下文访问。上下文混淆：任务混杂导致回答针对错误方面。上下文冲突：信息互相矛盾使推理偏离。
退化阈值（资料给出）：GPT-5.2 约 64K tokens 开始退化、约 200K 严重退化；Claude Opus 4.5 约 100K / 约 180K；Claude Sonnet 4.5 约 80K / 约 150K；Gemini 3 Pro 约 500K / 约 800K。
使用方式：四桶法包括写入（把上下文存到窗口之外）、选择（拉入相关上下文）、压缩（减少 tokens 并保留信息）、隔离（拆分到子智能体）。
反直觉发现：打乱的干草堆表现优于连贯内容；单个干扰项影响巨大，呈阶跃式而非比例式；问题与针的相似度有影响，不相似内容退化更快。
更大上下文的代价：超过阈值后性能非线性下降；成本随长度指数增长；无论规模多大，认知瓶颈依然存在。
最佳实践：监测上下文长度与性能的相关性；把关键信息放在开头或结尾；在退化前实现压缩触发；校验检索文档的准确性；用版本控制避免过时信息冲突；切分任务以防混淆；为优雅降级而设计；用逐步增大的上下文进行测试。
限制：资料未提供具体安装命令、运行环境或接口细节，暂未提供。